Apache Solr - 索引PDF文件

Question

嗨我已經嘗試過這樣做的二進制分佈以及編譯我的自我的源代碼。試着用Apache Tomcat來運行它。但是，當我使用PDF文件進行索引時，我總是遇到以下錯誤。我正在使用示例項目中提供的post.jar與Solr。

SimplePostTool: version 1.3 
SimplePostTool: POSTing files to http://localhost:8983/solr/update.. 
SimplePostTool: POSTing file 4538a001.pdf 
SimplePostTool: FATAL: Solr returned an error #400 Invalid UTF-8 middle byte 0xe 
3 (at char #10, byte #-1) 

我也嘗試在Win 7（JDK 1.7）和Centos（1.6）上運行此操作。

我搜索了互聯網，並在錯誤跟蹤器找到Jetty jar文件的修補版本，但即使更換這些問題仍然存在。

我真的很感激幫助，因爲我被困在這裏，我不能繼續進一步的任務。

感謝

Answer 1

Solr的更新是一個特定的XML格式，因此它拒絕PDF文件。

您可以配置解析PDF文件的解壓縮請求處理程序，然後將解壓縮的文本作爲更新進行處理。

請參閱：http://wiki.apache.org/solr/ExtractingRequestHandler